基于測度查詢熵的視頻流異常事件檢測方法
【專利摘要】一種數(shù)字圖像處理【技術(shù)領(lǐng)域】的基于測度查詢熵的視頻流異常事件檢測方法，以弱監(jiān)督聯(lián)合主題模型作為初始模型；給定一個包含未標注的正常和異常類別的數(shù)據(jù)流，依次判斷當前時刻樣本是否需要標注以及由誰來標注；在當前模型的參數(shù)不斷更新的同時，對閾值進行更新；通過重復更新模型參數(shù)以及閾值直到遍歷完數(shù)據(jù)流；在測試過程中，計算測試數(shù)據(jù)集與最終得到的模型的似然閾值，從而實現(xiàn)異常事件的識別。本發(fā)明在主動學習查詢策略上引入時間因果引導模型采集更多的異常事件樣本；同時采用兩種查詢準則，利用未知樣本，不確定性樣本和識別出的異常樣本對模型進行更新；設(shè)計了一種新的測度查詢熵，聯(lián)合分類精度，實時監(jiān)測模型性能。
【專利說明】基于測度查詢熵的視頻流異常事件檢測方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及的是一種數(shù)字圖像處理【技術(shù)領(lǐng)域】的方法，具體是一種基于測度查詢熵的視頻流異常事件檢測方法。
【背景技術(shù)】
[0002]在視頻監(jiān)控中，異常事件的識別是一項重要的任務(wù)，并且受到了很大的關(guān)注。盡管如此，它仍舊為難題，在實際環(huán)境中面臨諸多挑戰(zhàn)。首先，異常事件通常具有不可預測性。其次，不管是正常事件還是異常事件本身都具有多樣性。另一個最關(guān)鍵的問題是缺乏足夠的標注好的樣本，用于模型訓練和校驗，這個問題對于異常事件尤為凸顯。更進一步，即使在給定訓練樣本的情況下，對異常事件的建模也不是一件易事。從全局來看，在大型復雜場景中，異常件事與正在進行的正常事件相比，通?？雌饋砗芪⑿　?br> [0003]經(jīng)過對現(xiàn)有的技術(shù)文獻檢索，此鄧乂“⑶等提出了一種弱監(jiān)督聯(lián)合主題模型(11081)6(18168 X 1, 11 了，6011? 8, 6七 3,1.1^1*6 811(1 811^1:16 136118^ 10^8: ^
界 68 垃 1丫 811^61-^1 86(1 01111: 1:0^10 1110(1611^].^11817818 811(1 1&0111116
1111:6111^61106, 1222 11-8118801:10118 011，2011，333122:2451 - 2464..，來解決異常事件樣本稀少的問題。與傳統(tǒng)監(jiān)督學習方法不同，該方法可以只利用一個異常事件樣本為異常行為建模。但是該方法還是需要對一個龐大的數(shù)據(jù)庫進行人工標注，代價很高。此外，他們采用批處理學習的方法，模型一旦學習好就保持不變，因此無法為一些新出現(xiàn)的異常事件建模。
[0004]基于流的主動學習策略能夠解決上述問題。模型自己幫助尋找潛在的異常事件樣本，主動請求人工標注。但是傳統(tǒng)的主動學習策略一般假設(shè)樣本類別是均衡的，并且采用單一查詢準則，似然準則或者不確定性準`則。[07等提出了一種基于流的主動學習方法(107
0 0,丁，6011? 8.81:1-08111 — 13886(1 801:1^6 111111811&1 6^6111: (161:601:10111111//001111)111:61-
^181011 - ^0072010.061(1611361^,2011:161 - 175..，用于異常事件的檢
測。他們的方法能夠自適應的在似然準則和不確定性準則之間進行選擇，分別實現(xiàn)檢測新類別和改善分類邊界的目的。此外通過對不確定準則進行改進，加強對異常事件類別周圍樣本的關(guān)注，從而解決樣本類別分配不均衡的問題。但是從他們的文獻中可以看出，自適應選擇查詢策略有時會失效。此外在他們的方法中，對于已識別出來的異常樣本沒有加以利用，從異常樣本稀疏以及訓練樣本越多越有利的角度來看，是不合理的。

【發(fā)明內(nèi)容】

[0005]本發(fā)明針對現(xiàn)有技術(shù)存在的上述不足，提出一種基于測度查詢熵的視頻流異常事件檢測方法，本發(fā)明通過設(shè)計全新的查詢熵，聯(lián)合分類精度，實時監(jiān)測模型性能。通過自適應閾值實現(xiàn)樣本類別檢測和改善分類邊界的目的。在查詢策略上引入時間因果，引導模型采集更多的異常事件樣本。本發(fā)明解決了異常事件建模和異常事件樣本采集的問題，保證了異常事件識別的魯棒性和有效性。
[0006]本發(fā)明是通過以下技術(shù)方案實現(xiàn)的，本發(fā)明包括以下步驟:.[0007]步驟I)利用包含有限個經(jīng)人工標注的正常和異常類別的訓練樣本庫D1=IX1,...Xn,...}，訓練一個弱監(jiān)督聯(lián)合主題模型作為初始模型。
[0008]步驟2)給定一個包含未標注的正常和異常類別的數(shù)據(jù)流DuHX1,...Xt，...}，依次判斷當前時刻樣本Xt是否需要標注以及由誰來標注:
[0009]2.1)計算當前時刻樣本)(t的似然系數(shù)，其中:
=
【權(quán)利要求】
1.一種基于測度查詢熵的視頻流異常事件檢測方法，其特征在于，包括以下步驟: 步驟I)利用包含有限個經(jīng)人工標注的正常和異常類別的訓練樣本庫D1=IX1,...Xn，…}，訓練一個弱監(jiān)督聯(lián)合主題模型作為初始模型； 步驟2)給定一個包含未標注的正常和異常類別的數(shù)據(jù)流DuHX1,...Xt,...},依次判斷當前時刻樣本Xt是否需要標注以及由誰來標注； 步驟3)在當前模型的參數(shù)不斷更新的同時，對閾值進行更新， 步驟4)重復以上步驟2)和步驟3)直到遍歷完數(shù)據(jù)流在測試過程中，計算測試數(shù)據(jù)集與步驟3最終得到的模型的似然閾值，從而實現(xiàn)異常事件的識別。
2.根據(jù)權(quán)利要求1所述的方法，其特征是，所述的步驟2具體包括: 2.1)計算當前時刻樣本Xt的似然系數(shù)
3.根據(jù)權(quán)利要求2所述的方法，其特征是，所述的總投票數(shù)為2~10。
4.根據(jù)權(quán)利要求2所述的方法，其特征是，所述的查詢系數(shù)具體為:
5.根據(jù)權(quán)利要求2所述的方法，其特征是，所述的比較包括: a)當表示當前樣本Xt屬于確認未知類別樣本，進而通過人工標注獲得標簽Ct，將標注好的樣本{Xt，cj添加到訓練數(shù)據(jù)庫，并更新當前模型的參數(shù)； b)當并且，表示當前樣本類別模糊，進而通過人工標注獲得標簽ct,將標注好的樣本{Xt，cj添加到訓練數(shù)據(jù)庫，并更新當前模型的參數(shù)；c)當7?,,,，且模型預測的樣本Xt的標簽^丨屬于異常事件類別，表示當前樣本屬于已知異常事件類別，將樣本及其預測的標簽丨?丨添加到訓練數(shù)據(jù)庫，并更新當前模型的參數(shù)。
6.根據(jù)權(quán)利要求1所述的方法，其特征是，所述的步驟3具體包括: 3.1)通過計算查詢熵從而度量主動學習過程中模型采集異常事件樣本的能力，查詢熵
7.根據(jù)權(quán)利要求1所述的方法,其特征是,所述的步驟4)具體為其中.X表示需要識別的樣本；c表示模型預測的樣本X類別；K表示所有的樣本類別；Μ表示訓練完成的模型的參數(shù)。
【文檔編號】G06K9/62GK103839080SQ201410113977
【公開日】2014年6月4日 申請日期:2014年3月25日 優(yōu)先權(quán)日:2014年3月25日
【發(fā)明者】樊亞文, 鄭世寶, 蘇航 申請人:上海交通大學